Examensarbete
Hur noggrant skattar
Katam DGV och GY
jämfört med ALS?
Compared to ALS, how accurate does
Katam estimate basal area weighted mean
diameter and basal area?
Författare: Andreas Andersson Handledare: Erika Olofsson Examinator: Johan Lindeberg
Sammanfattning
Från att tidigare mätt trädhöjd och andra parametrar uteslutande genom manuell fältmätning har mer avancerade digitala mätmetoder utvecklats. Idag finns data över stora delar av Sveriges skogar framtagna med
laserskanning (Airborne Laser Scanning, ALS). En mindre beprövad metod för att samla in data i skogen är med företaget Katams tjänster Katam Forest (KF) och Katam Treemap (KT). KF mäter skogen med hjälp av en
mobilapplikation som filmar området. KT identifierar enskilda träd och dess höjd genom att analysera bilder ovanför träden, tagna med till exempel en drönare. KF och KT kan även kombineras (KF+KT) med hjälp av en algoritm för att kunna skatta varje enskilt träd med avseende på såväl grundytevägd medeldiameter (DGV) och grundyta (GY), som trädvolym. Syftet med studien var att jämföra noggrannheten mellan skattningar gjorda med KF, ALS och KF+KT, med skattningar från manuella fältmätningar som referensdata.
Studien genomfördes genom att samla in data med respektive metod från tre homogena granbestånd. Erhållen data skattades till de skogliga variablerna DGV och GY, och resultaten jämfördes.
Resultaten visade att KF+KT beräknats felaktigt av Katam, varför extrema värden erhölls.
KF hade ett lägre relativt RMSE (Root Mean Square Error) än ALS, 7,8 % på DGV samt 22,5 % på GY. ALS visade på motsvarande sätt ett relativt RMSE på 9,6 % respektive 23 %. Eftersom resultaten är så lika är det svårt att med säkerhet dra slutsatser kring skillnaden i noggrannheten mellan KF och ALS. Ytterligare försvåras detta av att det inte var möjligt att säkerställa att använt referensdata återspeglat bestånden korrekt. Även det faktum att ALS var ett år gammal kan ha haft en mindre inverkan på resultatet.
KF bedöms med fördel kunna användas för att samla in ny skoglig data där aktuell data saknas, utan att användare behöver ett annat mätinstrument än en modern mobiltelefon.
IV
Summary
Tree height and other forestry variables has previously in wide range required manual tools and work for measuring and estimation. More advanced digital methods has now become available and is being used. In Sweden, most of the wooded ground has been scanned using airborne laser scanning (ALS). Another rather new method of estimating forestry variables is the less scientifically tested Katam Forest (KF) as well as Katam Treemap (KT), developed by the company Katam. KF is a mobile application that measures the forest using a smartphone’s video camera. KT identifies individual trees and their tree height based on photogrammetry, using pictures taken from above the trees aiming at the ground. KF and KT can be combined (KF+KT) using an algorithm that estimates each tree’s basal area weighted mean diameter (DGV) as well as its basal area (GY).
The purpose of this study was to compare the accuracy of the estimations between KF, ALS, and KF+KT, using manual measurement as reference data.
This study was conducted by gathering data from three different
homogeneous Norway spruce dominated stands using ALS, KF and KF+KT. Also, manual measurements was used as reference data. The data was
estimated to DGV and GY and the results from the different methods was compared.
The result showed that the estimation by Katam had been faulty, and KF+KT therefore generated extreme values.
KF had a lower relative RMSE (Root Mean Square Error) than ALS for both DGV and GY, 7,8 % and 22,5 %, respectively. The result of ALS was 9,6 % for DGV and 23 % for GY. Since both methods had a similar result, and the quality of the reference data could not be confirmed, it is hard to make a certain conclusion about the result. The fact that the ALS data was a year old might also have had a minor effect on the result.
However, KF was assessed positively being used to collect and estimate forestry data where there is no current forest data, without the need of anything else than a smartphone.
Abstract
Skattning av skogliga variabler är inte längre begränsade till datainsamling genom manuell fältmätning. Numera kan skattningar göras genom insamling av data från såväl laserskanning (Airborne Laser Scanning, ALS) som mobilapplikationen Katam Forest (KF) som företaget Katam utvecklat. Dessutom kan varje enskilt träd skattas genom att kombinera Katam
Treemap (KT), som använder sig av fotogrammetri för att mäta trädhöjd och identifiera träd, med KF (KF+KT) . I denna studie jämfördes skattningar av grundytevägd medeldiameter (DGV) och grundyta (GY) utförda med manuell fältmätning, ALS, KF samt KF+KT, i tre olika grandominerande bestånd. KF+KT beräknades felaktigt varför inga slutsatser kan dras om metoden. KF visade ett lägre relativt RMSE än ALS, 7,8 % jämfört med 9,6 % vid skattning av DGV. För GY var relativ RMSE 22,5 % vid KF, och 23 % vid ALS. KF bedöms med fördel kunna användas likvärdigt med manuell fältmätning.
ALS, fjärrdataanalys, fotogrammetri, Katam, skogsuppskattning. ALS, remote sensing, photogrammetry, Katam, estimation of forest variables.
VI
Förord
Detta examensarbete är utfört som en del i den treåriga distansutbildningen Skogskandidatprogrammet vid Linnéuniversitetet i Växjö. Idén till arbetet har jag särskilt Anton Holmström på Katam att tacka för. Han har även varit behjälplig när problem och frågetecken uppstått. Kort och gott har jag många tack att ge honom för att han möjliggjort arbetet. Jag vill i samma höga grad även tacka Erika Olofsson, min handledare på Linnéuniversitetet, för goda synpunkter och för många bra diskussioner kring arbetet.
Många tack vill jag även ge alla andra som på olika sätt bidragit i arbetet, hela vägen från planering, fältmätning och analysering av data, till korrekturläsning. Ingen nämnd, ingen glömd.
Öxnevalla, september 2020.
Innehållsförteckning
Förkortningar _________________________________________________ 1 1. Introduktion ________________________________________________ 2 1.1 Bakgrund ... 2 1.2 Skogliga variabler ... 2 1.3 Manuell fältmätning ... 2 1.4 Katam Forest (KF) ... 21.5 Flygburen laserskanning (ALS) ... 3
1.6 Fotogrammetri ... 4
1.7 Katam Treemap (KT) ... 4
1.8 Syfte och frågeställningar ... 5
1.9 Avgränsningar ... 5
2. Material och metoder _________________________________________ 6 2.1 Metodik ... 6
2.2 Bestånden ... 6
2.3 Skapande av beståndspolygoner ... 6
2.4 Manuell fältmätning och skattning ... 7
2.5 Mätning och skattning med KF ... 7
2.6 Skattad data från ALS ... 8
2.7 Mätning och skattning med KT ... 8
2.8 Analys ... 8
3. Resultat och analys _________________________________________ 10 3.1 Översiktligt resultat ... 10
3.2 DGV ... 10
3.3 GY ... 11
3.4 Utvärdering ... 11
RMSE och Bias ... 11
KF+KT ... 12
4. Diskussion och slutsatser _____________________________________ 14 4.1 Metodik och felkällor ... 14
4.2 Studiens resultat ... 15 DGV ... 15 GY ... 15 KF+KT ... 15 Resultatdiskussion ... 16 4.3 Slutsats ... 16 5. Referenser ________________________________________________ 18
Förkortningar
GY Grundyta
DGV Grundytevägd medeldiameter HGV Grundytevägd medelhöjd KF Katam Forest
ALS Airborne Laser Scanning (flygburen laserskanning) RMSE Root Mean Square Error
DSM Digital Surface Model (ytmodell) DEM Digital Elevation Model (markmodell)
KT Katam Treemap
KF+KT KF och KT skattade fram till ett gemensamt värde, av en algoritm SD Standardavvikelse
SLU Sveriges lantbruksuniversitet FTP File Transfer Protocol
Andreas Andersson 2
1. Introduktion
1.1 Bakgrund
I vårt samhälle går tekniken ständigt framåt och skapar samtidigt nya
möjligheter. Inom skogsnäringen, som inte minst ur en ekonomisk synvinkel är en mycket viktig näring i Sverige (Persson 2016), har traditionellt sett skattningar av skogliga parametrar i hög utsträckning gjorts baserade på manuell fältmätning. Skogliga parametrar är viktiga för skogsbruket dels för att kunna forska på hur olika förutsättningar påverkar skogen, dels för att kunna bestämma vilka åtgärder som bör utföras för att kunna bedriva ett rationellt, effektivt och hållbart skogsbruk, samt för att följa upp dessa åtgärder.
1.2 Skogliga variabler
Vanliga skogliga parametrar att skatta är bland andra grundyta (GY), grundytevägd medeldiameter (DGV) och grundytevägd medelhöjd (HGV). GY är ett mått på skogens täthet och används bland annat för att bedöma gallringsbehovet. Diameter och höjd används bland annat för att skatta trädens volym. GY anger summan av alla träds tvärsnittsareor i brösthöjd (1,3 meter), vanligen per hektar (Albrektson m.fl. 2012). DGV beräknas genom att GY hos varje enskilt träd multipliceras med respektive träds diameter. Därefter summeras alla värden för alla träd inom ett område. Avslutningsvis divideras detta med summan av varje träds GY
(Skogskunskap u.å.a). Diameter mäts liksom GY i brösthöjd (Albrektson
m.fl. 2012). HGV beräknas på motsvarande sätt som DGV, men med trädens höjd istället för diameter (Skogskunskap u.å.b).
1.3 Manuell fältmätning
Trädens diameter mäts manuellt genom klavning eller med ett
diametermåttband. Även GY kan mätas på samma sätt och beräknas, men mäts vanligen med ett relaskop. Användaren räknar med hjälp av relaskopets spalt antalet träd som helt och hållet täcker spalten, och roterar samtidigt 360 kompassgrader, med utgångspunkt från ett och samma centrum. Varje träd motsvarar beroende på relaskopsfaktor en given GY. Vid manuell
fältmätning av trädens höjd används exempelvis en optisk höjdmätare (Albrektson m.fl. 2012).
1.4 Katam Forest (KF)
På senare år har tekniken utvecklats och digitaliserats, och möjligheterna till mindre resurskrävande metoder för mätning av skog har vuxit fram. Med mobilapplikationen Katam Forest (KF) tillhandahåller Katam en
mobilapplikationstjänst för digital fältmätning på marknivå av bland andra DGV och GY. Detta sker genom att användaren filmar områden med träd i skogen, som applikationen sedan analyserar (Katam u.å.a). Varje film analyseras för sig och med flera filmer kan ett medeltal erhållas på beståndsnivå.
I en studie av Andersson (2019) överskattar KF GY, volym och
medeldiameter jämfört med dataklavning. Tidsmässigt visade resultaten på en fördel för KF. Studien begränsades till ett homogent bestånd. Den konkurrerande mobilapplikationen Arboreal Forest har i en annan studie visat sig i genomsnitt vara långsammare än konventionella mätningsmetoder (Lindberg 2020).
1.5 Flygburen laserskanning (ALS)
Ett alternativ till skattning baserad på manuell fältmätning är skattning genom olika fjärranalysmetoder. En metod är att använda sig av laserdata som erhållits genom flygburen laserskanning (Airborne Laser Scanning, ALS) (Nilsson m.fl. 2017). Genom att sända ut laserpulser och registrera de returer som uppstår när ett objekt träffas av pulsen, kan ett avstånd beräknas och respektive träffpunkt beläggas med koordinater (Næsset m.fl. 2004). Desto längre en ljusstråle färdas, desto mindre fokuserad blir den. Det beror på att en laserpuls divergerar, vilket leder till att den kan vara åtskilliga decimeter i diameter när den når marken (Kukko & Hyyppä 2007). Därmed kan laserpulsen träffa flera objekt som ger upphov till flera returer av samma laserpuls. En följd av detta är att ALS kan registrera markreturer även i relativt tät skog. En betydande nackdel med ALS är att insamlingen av data görs sällan. Ett pågående projekt hos Lantmäteriet att laserskanna hela landet med flygplan beräknas ta sju år att slutföra (Lantmäteriet u.å.). Detta får som följd att tillgänglig data från ALS sällan är aktuell.
Från ALS kan olika skogliga parametrar skattas genom regressionsmodeller som tas fram med hjälp av fältmätt data från provytor. De färdiga
skattningarna för GY, HGV samt DGV registreras var för sig i kvadratiska rutor, rasterceller, vars sidor är 12,5 meter (Skogsstyrelsen 2019).
Rastercellerna består enbart av ett medelvärde från området det täcker. Enligt Sveriges lantbruksuniversitet (2019) är Root Mean Square Error (RMSE) i skattningarna i Götaland 8 % för HGV, 18 % för DGV samt 22 % för GY.
Den pågående laserskanningen av Sverige ska få en densitet på 1-2
punkter/m2 (Lantmäteriet u.å.). Studier visar dock att högre upplösning ökar möjligheterna för att göra skattningar på trädnivå. Amiri m.fl. (2017) använde sig av 300 punkter (laserreturer) / m2 för att identifiera enskilda träd.
Andreas Andersson 4
1.6 Fotogrammetri
En annan fjärranalysmetod är fotogrammetri. Genom att på ett systematiskt sätt ta bilder med en drönare eller med ett flygplan på skogen ovanifrån, kan för ett specifikt område ett punktmoln, bestående av koordinatsatta punkter, skapas från tvådimensionella bilder. En drönare flygs i regel lågt; den högsta tillåtna flyghöjden i Sverige är 120 m ovan mark om operatören saknar tillstånd (Luftfartsverket u.å.) Flygplan flyger vanligen på åtminstone 1000 meters höjd (Lantmäteriet m.fl. 2013). Upplösningen på bilderna, och följaktligen även resultatet av fotogrammetrin påverkas av val av flyghöjd. Bohlin m.fl (2012) gjorde en studie med bilder tagna från flygplan.
Resultatet visade på en RMSE på 8,8 % vid skattning av HGV och 14,9 % vid skattning av GY. Flyghöjdens betydelse för resultatet visade sig i deras studie vara låg, där bilderna togs från flygplan på 1500 m respektive 4800 m.
Eftersom punktmolnen är en digital ytmodell (Digital Surface Model, DSM) som tas fram enbart av de ytor som bilderna visar (Lantmäteriet m.fl. 2013) är förutsättningarna betydligt sämre för att kunna generera en markmodell (Digital Elevation Model, DEM) än vid ALS. Följden blir att det är svårare att göra helt fotogrammetriska mätningar i tät skog. En DEM krävs för att kunna räkna ut avståndet mellan träd och mark.
1.7 Katam Treemap (KT)
Tjänsten Katam Treemap (KT) som företaget Katam utvecklat kan med hjälp av fotogrammetri bearbeta flygbilder från drönarflygningar.
Användaren flyger över respektive bestånd och laddar upp flygbilderna till Katams hemsida, där en DEM och DSM genereras, som används för att identifiera enskilda träd och skatta deras höjd (Katam u.å.b). Användaren kan sedan ta del av materialet och få koordinater över alla identifierade träd, deras höjd samt beräknad sannolikhet för att trädet är ett befintligt träd. Erhållen data från KF och KT kan kombineras och genom extrapolering ge skattningar (KF+KT) av enskilda träd (för exempelvis DGV och GY) i hela beståndet (Katam u.å.b).
De studier som finns om Katams tjänster tycks vara få och är begränsade till mätning i fält. KT verkar inte utvärderats vetenskapligt tidigare. Det vore därför intressant att med manuell fältmätning som referensdata jämföra ALS, KF samt KF+KT.
1.8 Syfte och frågeställningar
Syftet med denna studie var att med manuella fältmätningar som
referensdata jämföra skattningar gjorda med ALS, KF samt KF+KT med avseende på:
• DGV • GY
1.9 Avgränsningar
Studien begränsades till tre bestånd i ett område två mil nordöst om Varberg. I studien utgick all datainsamling, bearbetning och analys från tre
grandominerande bestånd som uppnått avverkningsbar ålder.
För att inte studien skulle bli för omfattande, och för att öka säkerheten i fältmätningarna valdes DGV och GY ut som parametrar att jämföra de olika mätmetoderna.
Andreas Andersson 6
2. Material och metoder
2.1 Metodik
Studien är en kvantitativ studie där skattningar av DGV och GY gjordes på beståndsnivå genom manuell fältmätning, KF, KF+KT samt ALS.
Skattningarna jämfördes med hjälp av medelvärden, standardavvikelse (SD), RMSE och beräknande av systemfel (bias).
Data från ALS var framtaget av Lantmäteriet april 2019, skattat av SLU (Skogsstyrelsen 2020) och fanns tillgängligt genom Skogsstyrelsens FTP (Skogsstyrelsen u.å.).
Datainsamling genom manuella fältmätningar, KF och KT genomfördes i april 2020.
2.2 Bestånden
Vid val av vilka tre bestånd som skulle inkluderas i studien användes ett antal urvalskriterier. Ett viktigt kriterium var att relativt ny laserdata skulle finnas tillgängligt för bestånden. Ytterligare ett kriterium relaterade till KT; för att kunna använda fotogrammetri var det viktigt att kunna identifiera marken, varför äldre bestånd som gallrats valdes. Dessutom valdes
homogena bestånd med avseende på trädslagsfördelningen, för att inte skapa onödigt många faktorer som kunde påverka studien.
Bestånden var belägna 2 mil nordöst om Varberg och låg inom 2 km ifrån varandra. Beståndens storlek och antalet provytor framgår i tabell 1. Tabell 1. Beskrivning av bestånden.
2.3 Skapande av beståndspolygoner
En GPS-mobilapplikation användes för att med hjälp av spårning få beståndsgränsen från fält. I kombination med ortofoton kunde beståndens utformning och plats säkerställas.
Areal [ha] Antal provytor, manuell fältmätning Antal provytor, KF Bestånd 1 1,07 6 4 Bestånd 2 0,88 4 4 Bestånd 3 0,46 5 3
För varje bestånd skapades i en mjukvara för geografiska
informationssystem, QGIS (QGIS Development Team u.å.), en polygon bestående av geografiska koordinater som överensstämde med beståndens utbredning i verkligheten. För att inte få ett missvisande resultat anpassades beståndspolygonerna till ALS-rastercellerna. Vid beståndsgränsen kunde i annat fall stora delar av rastercellerna ligga utanför beståndet och påverka medelvärdet inne i beståndet.
Arean av respektive polygon beräknades med hjälp av verktyget Fältkalkylator och med uttrycket $area i QGIS.
2.4 Manuell fältmätning och skattning
Fältmätningen gjordes i slumpmässigt utlagda cirkelprovytor. Antalet provytor lades ut enligt tabell 1. Provytorna hade en radie på 5,64 m, vilket innebar att en yta på 100 m2 täcktes per provyta. I varje provyta mättes alla träds diametrar genom korsklavning i brösthöjd.
När all fältmätt data samlats in beräknades DGV och GY på beståndsnivå enligt formel 1 respektive formel 2.
𝐷𝐷𝐷𝐷𝐷𝐷 = � 𝑟𝑟𝑘𝑘2𝜋𝜋𝜋𝜋 𝑟𝑟𝑘𝑘2𝜋𝜋 𝑛𝑛 𝑘𝑘=1 , (1)
där n = antalet träd, k = trädindex, r = provyteradie [m], d = träddiameter [m]
𝐷𝐷𝐺𝐺 = �𝑛𝑛𝑘𝑘=1𝑟𝑟𝑘𝑘2𝜋𝜋, (2)
där n = antalet träd, k = trädindex, r = provyteradie [m]
2.5 Mätning och skattning med KF
Med hjälp av mobilapplikationen KF gjordes ett större antal mobilmätningar som utefter deras kvalitet samt spridning i bestånden valdes ut för att
representera respektive bestånd. Storleken på varje mätt yta berodde på hur lång film som spelats in och hur stort område som täckts. Ett vanligt skäl till att en mätning kunde uteslutas var att träd inte mätts in.
Skattningarna gjordes genom de filmer som spelats in via
mobilapplikationen. Utfördes skattningen en andra gång kunde resultatet bli annorlunda jämfört med det första resultatet. Exempelvis kunde ett träd som mättes in vid en skattning missas vid en andra. Antal provytor som användes
Andreas Andersson 8
När mobilmätningarna för respektive bestånd valts ut visade KF resultatet, inklusive DGV och GY, beståndsvis.
2.6 Skattad data från ALS
Från Skogsstyrelsen (u.å.) laddades data ner i separata skikt för DGV, HGV respektive GY för det område som bestånden låg i.
I QGIS användes verktyget Zonstatisk för att, för varje variabel, skapa ett medelvärde av värdena för de rasterceller som låg inom ytan av respektive digitaliserad beståndspolygon.
2.7 Mätning och skattning med KT
Bestånden fotograferades autonomt 100 meter ovan drönarens startpunkt från marken, med en drönare av typen DJI Mavic Pro och med hjälp av mobilapplikationen Dronedeploy. Bestånden ritades i applikationen med god marginal för att inte riskera att data saknades i kantzonerna. De inställningar som användes var 85 % överlappning i frontöverlapp och 82 % sidoöverlapp (stråk). White balance ställdes in på ”Cloudy”. Vidare sattes fokus manuellt i så hög grad som möjligt på trädtopparna. ISO och bländartal ändrades för att så mycket som möjligt av marken under träden skulle synas på bilderna. Av samma skäl utfördes flygningarna när det var molnigt; på så sätt kunde skuggor från träden undvikas och göra marken enklare att se jämfört med om bilderna tagits i starkt solljus. När all data över respektive bestånd samlats in, laddades de upp till Katam för bearbetning. När bearbetningen var färdig kunde resultatet med koordinater för varje träd, samt dess höjd, laddas ner. På beståndsnivå beräknades medelhöjden manuellt. Beräknad detektionsstyrka för att varje enskilt träd var också en del av resultatet från Katam. Detektionsstyrkan var sannolikheten för att ett identifierat träd faktiskt var ett träd.
2.8 Analys
Med data från KF och KT skattade Katam med hjälp av en algoritm DGV och GY för varje enskilt träd. Skattningarna gjordes för hela det område som drönaren täckt. Träden inom respektive bestånd behövde därmed extraheras ut genom att i QGIS använda intersect (skärning) med resultatet från Katam som indatalager och beståndspolygonen som skärningslager. En skärmavbild från QGIS med de olika lagren ses i figur 1.
Katam fick även undersöka om eventuell filtrering av resultatet behövde utföras. För bestånd 1 och 2 användes träd med en detektionsstyrka på 50 % och högre, för bestånd 3 gjordes ingen filtrering.
Beståndsmedelvärden av KF+KT-skattningarna kunde sedan erhållas genom att med hjälp av Fältkalkylatorn i QGIS beräkna DGV och GY enligt formel 1 respektive formel 2.
Materialet sammanställdes sedan och medelvärden, SD, RMSE och bias beräknades i Microsoft Excel.
Figur 1. Skärmavbild från QGIS. Närmast bakgrunden: ALS rasterceller, ett ortofoto genererat från drönarbilder, beståndspolygonen för bestånd 1 (blått), samtliga träd som detekterats av Katam (gröna punkter), fastighetsgränser (rött). De lila punkterna är de som tagits med i studien efter filtrering. De gröna punkterna inom beståndspolygonen hade en detektionsstyrka under 50 % och har därmed inte inkluderats i studien.
Andreas Andersson 10
3. Resultat och analys
3.1 Översiktligt resultat
Resultatet av de manuella fältmätningarna presenteras i sin helhet i bilaga 1. Ett översiktligt resultat med medelvärden och SD för DGV respektive GY presenteras i tabell 2. SD varierade mellan 1,1 och 2,0 för ALS och KF. KF+KT visade en SD på upp till 8 097,3. SD var vid manuell fältmätning och skattning av GY 9,3 och vid skattning av DGV 1,6.
Tabell 2. Resultat med medelvärden och SD för samtliga bestånd, för respektive mätmetod. Manuell fältmätning används som referensdata.
3.2 DGV
DGV skattades i medeltal till 28,3 cm vid manuell fältmätning, 28,2 cm vid ALS samt 27,2 cm vid KF (figur 2). Sett till medeltal är skattningarna relativt jämna oavsett metod, dock är skillnaderna på beståndsnivå desto större. ALS och KF överskattar DGV i bestånd 1, i bestånd 2 överskattar ALS DGV medan KF underskattar DGV. I bestånd 3 underskattar både ALS och KF DGV.
Figur 2. Resultat av skattad DGV. KF+KT exkluderad. Manuell fältmätning ALS KF KF+KT DGV (medelvärde) 28,3 28,2 27,2 1243,2 DGV SD (medelvärde) 1,6 1,3 2,0 2027,8 GY (medelvärde) 39,8 38,4 40,3 4725,1 GY SD (medelvärde) 9,3 1,4 1,1 8097,3 0 5 10 15 20 25 30 35
Bestånd 1 Bestånd 2 Bestånd 3 Medel
DG
V [
cm
]
3.3 GY
GY skattades i medeltal till 39,8 cm vid manuell fältmätning, 38,4 cm vid ALS samt 40,3 cm vid KF (figur 3). Sett till medeltal är skattningarna likt DGV relativt jämna oavsett metod. Skillnaderna på beståndsnivå är dock ännu större. ALS och KF överskattar GY i bestånd 1 och bestånd 2. I bestånd 3 underskattar både ALS och KF GY.
Figur 3. Resultat av skattad GY. KF+KT exkluderad.
3.4 Utvärdering
RMSE och Bias
Skattningarnas noggrannhet mätt i RMSE och bias i förhållande till fältmätt skattning redovisas i tabell 3. Numerärt är resultaten snarlika, ALS har dock genomgående ett högre RMSE. Relativ RMSE ligger på 7,8 respektive 9,6 % vid DGV, det minsta värdet för KF. För GY är sambandet detsamma; KF har en lägre relativ RMSE än ALS. ALS visade en relativ RMSE på 23 %, KF något lägre på 22,5 %.
Tabell 3. Noggrannhetsmått på utförda skattningar. Skattningar utförda med KF+KT har uteslutits.
Datainsamlings-
metod Skattad variabel RMSE RMSE % Bias Bias %
ALS DGV 2,7 9,6 -0,2 -0,6 KF DGV 2,2 7,8 -1,1 -4,0 ALS GY 9,2 23,0 -1,4 -3,5 KF GY 9,0 22,5 0,6 1,4 0 10 20 30 40 50 60
Bestånd 1 Bestånd 2 Bestånd 3 Medel
GY [
m
2/h
a]
Andreas Andersson 12
KF+KT
För att utvärdera KF+KT behövde KF och KT särskiljas. KF har sedan tidigare presenterats. KT fick i bestånd 1, 2 respektive 3 en medelhöjd på 21,3 m, 21,3 m, respektive 18,3 m. HGV från ALS gav på motsvarande sätt en höjd på 21,7 m, 21,3 m, respektive 20,5 m (figur 4).
Figur 4. Skattad höjd för respektive bestånd. ALS avser HGV, KT avser medelhöjd. Av KT skattade höjder för enskilda träd visualiseras i figur 5. Höjderna i bestånd 3 har en betydligt större spridning än i övriga bestånd.
Figur 6 visualiserar resultaten av KF+KT i form av en höjdutvecklingskurva för varje bestånd. Bestånd 1 har en kurva som innebär att ett träd med en större diameter i regel är högre än ett träd med mindre diameter. Bestånd 2 har ett motsatt samband. Bestånd 3 påminner om bestånd 1 men med extrema värden.
Figur 6. Höjdutvecklingskurvor för respektive bestånd baserat på resultaten från KF+KT. De sju största träden från bestånd 3 har uteslutits från grafen, det största hade enligt skattningarna en diameter på drygt 52 meter.
Andreas Andersson 14
4. Diskussion och slutsatser
4.1 Metodik och felkällor
För att minska antalet möjliga felkällor gjordes i studien ett antal aktiva val. För att få ett mer tillförlitligt resultat användes inte HGV som variabel för att mäta noggrannheten mellan de primära skattningarna, vilket ursprungligen var avsikten. Orsaken var att så lite osäkerhet som möjligt i resultaten skulle kunna hänvisas till fältmätt data. Istället mättes trädens diameter, vilket möjliggjorde jämförelse av variablerna DGV och GY. Ett annat sätt att försöka få mindre felkällor var att välja relativt homogena bestånd. Det kan antas vara enklare att se olika samband i resultaten om underliggande parametrar är homogena. I den här studien utvärderades tre bestånd. Säkrare samband skulle kunna erhållas med ett större antal bestånd.
En faktor som missades vid val av bestånd var att skattningarna av ALS gjordes i rasterceller om 12,5 x 12,5 m. För att minska grannbeståndens inverkan på resultatet följde beståndspolygonerna rastercellerna.
Säkerhetsavståndet borde dock gjorts större, gärna en rastercell runt hela insidan av omkretsen av bestånden. På så vis hade inverkan från
beståndskanten blivit minimal. Det hade dock inte varit möjligt med de bestånd som valdes i studien, på grund av deras storlek.
En annan osäkerhet med ALS var att all ALS-data var ett år äldre än övrig data. En studie av Hildingsson (2006) visar en årlig diametertillväxt hos gran i Götaland uppemot 0,30-0,45 cm inom diameterklasserna 20-80 cm. Tillväxten varierar förstås beroende på beskaffenheten hos marken som träden växer på. Effekten av att ett års diametertillväxt saknades bedömdes emellertid vara liten för studien.
En observation som gjordes var att KF vid beräkning utifrån samma indata kunde ge olika resultat och identifiera olika antal träd. För att få ett så bra resultat som möjligt är det därför viktigt att användaren granskar materialet. Om det saknas ett träd på en provyta med ett tiotal träd kan det påverka resultatet kraftigt.
I samband med datainsamling till KT observerades ett antal möjliga
felkällor. Eftersom fotogrammetri enbart kan mäta det som bilderna visar är det extremt viktigt att marken avbildas så skarpt som möjligt. Faktorer som kan påverka detta är bland andra väder och inställningarna på drönarens kamera. Vid soligt väder kan skuggor göra det svårt att identifiera marken. Inställningarna på drönarens kamera görs subjektivt för att få marken så tydlig som möjligt. Risken är således mycket stor att kvalitén på det data som KT ger påverkas mycket av erfarenheten hos vem som samlat in det.
KT identifierar enskilda träd och behöver därmed en högre densitet i sitt punktmoln än ALS, som skattar på ytnivå. Densiteten ökar med ett ökande antal laserpulser för ALS eller vid lägre flyghöjd för ALS eller
fotogrammetri. Därmed bör även flyghöjden kunna påverka resultatet hos KT. Särskilt kan beräknad detektionsstyrka för varje enskilt träd antas påverkas.
I studien har fältmätt data använts som referensdata. Datainsamlingen skedde genom mätning av träd i ett begränsat antal provytor i varje bestånd. Desto mer heterogena bestånd som mäts, desto mer kan fältmätt data skilja sig från beståndens riktiga värden. Resultatet från homogena bestånd kan därmed antas vara mer tillförlitliga.
4.2 Studiens resultat
DGV
ALS-baserad skattning av DGV gav ett knappt negativt bias och en lägre SD än Katam Forest.
Skattningar av DGV i bestånden gav en relativ RMSE på 9,6 % vid ALS och 7,8 % vid KF, jämfört med 18 % vid ALS i Götaland, enligt Sveriges
lantbruksuniversitet (2019).
ALS skattade i medeltal DGV bättre än KF.
GY
Katam Forest visade en bättre RMSE och var noggrannare vid skattning av GY, jämfört med ALS.
Resultatet var i linje med de skattningar som utförts av Sveriges
lantbruksuniversitet, med en relativ RMSE på 22 % (2019). I denna studie blev relativ RMSE 22,5 % och 23 % för KF respektive ALS. Jämfört med de 14,9 % som Bohlin m.fl. (2012) fick i sin studie om fotogrammetrisk
skattning av skog var detta dock att betrakta som högt. KF skattade i medeltal GY bättre än ALS gjorde.
KF+KT
En jämförelse gjordes mellan skattad medelhöjd från KT och ALS-baserad skattning av HGV. Trots att variablerna inte är helt likvärdiga kan de ändå anses ge en indikation om någon större avvikelse förekommer, vilket var fallet i bestånd 3. Förutom denna avvikelse var all data från såväl KF som från KT i princip i linje med övriga resultat. Trots detta visade KF+KT endast rimliga värden från bestånd 1, medan resultaten för bestånd 2 och 3
Andreas Andersson 16
med KF+KT i bestånd 1; underlaget var för litet. Orsaken till avvikelserna är okända. Det går dock att spekulera i att den mänskliga faktorn skulle kunna ligga bakom genom exempelvis enhetsfel eller inmatning av fel data. En annan förklaring skulle kunna vara att algoritmen är mycket känslig, särskilt vid ett snävt urval av träd. Skulle så vara fallet förklarar detta det särskilt extrema resultatet för bestånd 3, som hade en betydligt större spridning redan i höjddata från KT, jämfört med övriga bestånd. Beräkningarna av KF+KT har genomförts av Katam och algoritmen har inte tagits del av.
Resultatdiskussion
Resultatet är inte lika entydigt som det Andersson (2019) visade i sin studie: överskattning av såväl medeldiameter och GY, jämfört med dataklavning. Jämförs manuell fältmätning med KF i bestånd 2 med avseende på DGV och GY är resultaten olika, trots att båda variablerna är beroende av trädens diameter. KF överskattar GY men underskattar DGV. Möjligen skulle orsaken kunna vara att de träden som filtrerats bort på grund av för låg detektionsstyrka, har påverkat resultaten. Som följd skattar ALS i medeltal DGV bättre, och KF skattar i medeltal GY bättre. KF bedöms dock i stort skatta bättre än ALS, med hänsyn till RMSE.
ALS och Katams tjänster ger resultat som många gånger mycket väl är tillräckligt noggranna för att ersätta manuella fältmätningar. De har dock sina begränsningar. ALS utförs sällan, varför tillgänglig data ofta är relativt gammal. Katams tjänster och fotogrammetri ger i regel de bästa resultaten när det finns goda förutsättningar att se marken mellan träden ovanifrån. Yngre och täta bestånd är troligtvis svåra att skatta bra data för, från såväl från KF som KT. Dessutom är KT väderberoende. Är det för ljust stör skuggor marken. Vidare är drönare känsliga för regn och vind (DJI 2017, DJI 2019, Parrot Drone SAS, u.å.)
4.3 Slutsats
Ett av studiens syften var att jämföra resultatet från KF+KT med resultatet från KF. På grund av de orimliga resultaten från Katam med avseende på KF+KT kunde det konstateras att KF gav ett bättre resultat. Ett stort fel har dock gjorts i samband med skattningen av KF+KT, vad är inte klarlagt. Det går dock att konstatera att det inte råder någon större skillnad mellan
skattningarna utförda av ALS och KF. Exakt hur noggranna de är går inte att avgöra med säkerhet eftersom fältmätt data från ett begränsat antal provytor använts som referensdata. Även det faktum att data från ALS är ett år gammal kan antas haft en mindre påverkan på resultatet.
Trots de otydliga resultaten bedöms såväl ALS som KF vara viktiga verktyg i framtidens skogsbruk. KF bedöms dock vara användbar på begränsade områden (exempelvis ej i täta skogar), främst där ny skogliga data behöver samlas in. ALS är särskilt användbar tack vare sin stora geografiska
utbredning och då användare har tillgång till materialet utan att behöva få det specifika området uppmätt.
Det hade varit värdefullt med en felsökning av processer, rutiner och algoritmer hos Katam för att på nytt genomföra skattningar utifrån det data som detta arbete genererat. Det hade även varit intressant med vidare studier på KF och KT för att kunna avgöra hur tillförlitlig respektive metod är vid upprepad skattning av samma bestånd vid samma eller marginellt förändrade förutsättningar. Vidare hade det varit intressant att se hur tekniken fungerar i mindre homogena bestånd samt i lövdominerande bestånd.
Andreas Andersson 18
5. Referenser
Albrektson, A., Elfving, B., Lundqvist, L., & Valinger, E. 2012.
Skogsskötselserien nr 1. Skogsskötsels grunder och samband. Skogsstyrelsen.
https://www.skogsstyrelsen.se/globalassets/mer-om- skog/skogsskotselserien/skogsskotsel-serien-1-skogsskotselns-grunder-och-samband.pdf
Amiri, N., Polewski, P., Yao, W., Krzystek, P., & Skidmore, A. K. 2017.
Detection of single tree stems in forested areas from high density ALS point clouds using 3D shape descriptors. Volume IV-2/W4.
https://www.isprs-ann- photogramm-remote-sens-spatial-inf-sci.net/IV-2-W4/35/2017/isprs-annals-IV-2-W4-35-2017.pdf
Andersson, E. 2019. Noggrannhet och precision vid beståndsuppskattning av
mobilapplikationen KATAM [Kandidatarbete]. Institutionen för Skog och
träteknik, Linnéuniversitetet.
http://www.diva-portal.org/smash/get/diva2:1334551/FULLTEXT01.pdf
Bohlin, J., Wallerman, J., & Fransson, J. E. S. 2012. Forest variable estimation using photogrammetric matching of digital aerial images in combination with a high-resolution DEM. Scandinavian Journal of Forest Research, 2012(27:7), 692–699.
DJI. 2017. MAVIC PRO User Manual V2.0. Hämtad 12 september 2020, från https://dl.djicdn.com/downloads/mavic/Mavic_Pro_User_Manual_v2.0_en.pdf DJI. 2019. INSPIRE 2 SERIES Inspire 2/Inspire 2 ProRes/Inspire 2 L User
Manual V2.0.
https://dl.djicdn.com/downloads/inspire_2/20190731/INSPIRE_2_SERIES_User _Manual_EN1.pdf
Hildingsson, Anders. 2006. Tillväxtstudie på Skogsstyrelsens obsytor. http://shop.skogsstyrelsen.se/shop/9098/art29/4646129-3606ec-1775.pdf Katam. U.å.a. KATAMTM Forest. Katam.
https://www.katam.se/sv/products/forest/ Katam. U.å.b. KATAMTM TreeMap. Katam. https://www.katam.se/sv/products/forest/
Kukko, A., & Hyyppä, J. 2007. Laser scanner simulator for system analysis and
algorithm development: A case with forest measurements. Workshop on Laser
Lantmäteriet. U.å. Laserdata skog. Lantmäteriet. Hämtad 27 april 2020, från
https://www.lantmateriet.se/sv/Kartor-och-geografisk-information/geodataprodukter/produktlista/laserdata-skog/#steg=3 Lantmäteriet m.fl. 2013. Geodetisk och fotogrammetrisk mätnings- och
beräkningsteknik. Lantmäteriet, Kungliga tekniska högskolan, Lunds universitet,
Högskolan i Gävle.
Lindberg, L. 2020. Insamling av skogliga data med applikationen Arboreal Skog
– En studie om mätprecision, noggrannhet och effektivitet [Masterarbete].
Sveriges lantbruksuniversitet, Fakulteten för skogsvetenskap, Institutionen för skogens biomaterial och teknologi.
https://stud.epsilon.slu.se/15456/7/lindberg_l_200331.pdf Luftfartsverket. U.å. Drönarflygning. LFV.
http://www.lfv.se/tjanster/informationstjanster/lfvs-dronarkarta
Nilsson, M., Nordkvist, K., Jonzén, J., Lindberg, N., Axensten, P., Wallerman, J., Egberth, M., Larsson, S., Nilsson, L., Eriksson, J., & Olsson, H. 2017. A nationwide forest attribute map of Sweden predicted using airborne laser
scanning data and field data from the National Forest Inventory. Remote Sensing
of Environment 194, 447–454.
Næsset, E., Gobakken, T., Holmgren, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsson, M., Olsson, H., Persson, Å., & Söderman, U. 2004. Laser Scanning of
Forest Resources: The Nordic Experience. 482–499.
Parrot Drone SAS. U.å. Parrot BEBOP DRONE User guide.
Persson, T. 2016. Den svenska bioekonomins utveckling – statistik och analys. Myndigheten för tillväxtpolitiska utvärderingar och analyser.
QGIS Development Team. U.å. QGIS, A Free and Open Source Geographic
Information System. https://qgis.org/
Skogskunskap. U.å.a. Ordlista. Skogskunskap.
https://www.skogskunskap.se/ordlista/g/grundytevagd-medeldiameter/ Skogskunskap. U.å.b. Ordlista. Skogskunskap.
https://www.skogskunskap.se/ordlista/g/grundytevagd-medelhojd/ Skogsstyrelsen. U.å. Skogsstyrelsen FTP.
ftp://ftp.skogsstyrelsen.se/SkogligaGrunddata_2_0_20191213/ Skogsstyrelsen. 2020. Uppdrag att uppdatera Skogliga grunddata.
Andreas Andersson 20
Sveriges Lantbruksuniversitet. 2019a. Kvalitetsbeskrivning—Skogliga
skattningar från laserdata.
ftp://ftp.skogsstyrelsen.se/SkogligaGrunddata_2_0_20191213/Kvalitetsutv%E4r dering_20191213.pdf
Sveriges Lantbruksuniversitet. 2019b. Produktbeskrivning: Skogliga grunddata–
skogliga skattningar från laserdata. Skogsstyrelsen.
ftp://ftp.skogsstyrelsen.se/SkogligaGrunddata_2_0_20191213/Produktbeskrivnin g_20191209.docx
